şirketler, Görüntü İşleme API ve Azure İşlevleri gibi Azure hizmetlerini kullanarak tek tek sunucuları yönetme gereksinimini ortadan kaldırırken maliyetleri azaltabilir ve Microsoft'un azure yapay zeka hizmetleriyle görüntü işleme konusunda geliştirmiş olduğu uzmanlığı kullanabilir. Bu örnek senaryo özellikle görüntü işleme kullanım örneğini ele alır. Farklı yapay zeka gereksinimleriniz varsa Azure AI hizmetlerinin tamamını göz önünde bulundurun.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
İş Akışı
Bu senaryo bir web veya mobil uygulamanın arka uç bileşenlerini kapsar. Veriler senaryo boyunca aşağıdaki gibi akar:
- Blob depolama alanına yeni dosyalar (görüntü yüklemeleri) eklemek, Azure Event Grid'de bir olayı tetikler. Karşıya yükleme işlemi web veya mobil uygulama aracılığıyla ayarlanabilir. Alternatif olarak, görüntüler Azure Blob depolama alanına ayrı olarak yüklenebilir.
- Event Grid, Azure işlevlerini tetikleyen bir bildirim gönderir.
- Azure İşlevleri, yeni yüklenen görüntüyü analiz etmek için Azure Görüntü İşleme API'sini çağırır. Görüntü İşleme, görüntüye Azure İşlevleri tarafından ayrıştırılan blob URL'si aracılığıyla erişir.
- Azure İşlevleri, Azure Cosmos DB'de Görüntü İşleme API yanıtını kalıcı hale döndürür. Bu yanıt, görüntü meta verilerinin yanı sıra analizin sonuçlarını içerir.
- Sonuçlar web'de veya mobil ön uçta kullanılabilir ve yansıtılabilir. Bu yaklaşımın karşıya yüklenen görüntünün değil sınıflandırmanın sonuçlarını aldığını unutmayın.
Bileşenler
- Görüntü İşleme API, Azure AI hizmetleri paketinin bir parçasıdır ve her görüntü hakkında bilgi almak için kullanılır.
- Azure İşlevleri web uygulaması için arka uç API'sini sağlar. Bu platform, karşıya yüklenen görüntüler için olay işleme de sağlar.
- Azure Event Grid , blob depolamaya yeni bir görüntü yüklendiğinde bir olayı tetikler. Görüntü daha sonra Azure İşlevleri ile işlenir.
- Azure Blob Depolama, web uygulamasına yüklenen tüm görüntü dosyalarını ve web uygulamasının tükettiği statik dosyaları depolar.
- Azure Cosmos DB, Görüntü İşleme API'sinden işlemenin sonuçları da dahil olmak üzere karşıya yüklenen her görüntüyle ilgili meta verileri depolar.
Alternatifler
- Özel Görüntü İşleme Hizmeti. Görüntü İşleme API'sinde taksonomi tabanlı kategoriler döndürülüyor. Görüntü İşleme API tarafından döndürülmeyen bilgileri işlemeniz gerekiyorsa, özel görüntü sınıflandırıcıları oluşturmanıza olanak tanıyan Özel Görüntü İşleme Hizmeti'ni göz önünde bulundurun.
- Bilişsel Arama (eski adıyla Azure Search). Kullanım örneğiniz belirli ölçütlere uyan görüntüleri bulmak için meta verileri sorgulamayı içeriyorsa Bilişsel Arama'yı kullanmayı göz önünde bulundurun. Şu anda önizleme aşamasında olan Bilişsel arama, bu iş akışını sorunsuz bir şekilde tümleştirir.
- Logic Apps. Bloba eklenen dosyalara gerçek zamanlı olarak tepki vermeniz gerekmiyorsa Logic Apps'i kullanmayı düşünebilirsiniz. Dosyanın eklenip eklenmediğini denetleyen bir mantıksal uygulama yinelenme tetikleyicisi veya kayan pencereler tetikleyicisi tarafından başlatılabilir.
Senaryo ayrıntıları
Bu senaryo, görüntüleri işlemesi gereken işletmeler için geçerlidir.
Olası uygulamalar arasında bir moda web sitesi için görüntüleri sınıflandırma, sigorta talepleri için metin ve görüntüleri analiz etme veya oyun ekran görüntülerinden telemetri verilerini anlama yer alır. Geleneksel olarak, şirketlerin makine öğrenmesi modellerinde uzmanlık geliştirmeleri, modelleri eğitmaları ve son olarak görüntüleri görüntülerin içinden verileri almak için özel süreçleriyle çalıştırmaları gerekirdi.
Olası kullanım örnekleri
Bu çözüm perakende, oyun, finans ve sigorta sektörleri için idealdir. Diğer ilgili kullanım örnekleri şunlardır:
Moda web sitesindeki resimleri sınıflandırma. Görüntü sınıflandırması, satış için platforma ürünlerin resimlerini yüklerken satıcılar tarafından kullanılabilir. Daha sonra söz konusu el ile etiketlemeyi otomatikleştirebilirler. Müşteriler ayrıca ürünlerin görsel izlenimlerini de arayabilir.
Oyunların ekran görüntülerinden telemetri verilerini sınıflandırma. Ekran görüntülerinden video oyunlarının sınıflandırması, görüntü işleme ile birlikte sosyal medyada ilgili bir soruna dönüşmektedir. Örneğin, Twitch yayıncıları sırayla farklı oyunlar oynadıkları zaman akış bilgilerini el ile güncelleştirmeyi atlayabilirler. Akış bilgilerinin güncelleştirilmemesi, kullanıcı aramalarında akışların yanlış sınıflandırılmasına neden olabilir ve hem içerik oluşturucular hem de akış platformları için olası görüntüleyicilik kaybına neden olabilir. Yeni oyunlar tanıtırken, özel bir model rotası bu oyunlardan yeni görüntüleri algılama özelliğini tanıtmak için yararlı olabilir.
Sigorta beyanları için görüntüleri sınıflandırma. Görüntü sınıflandırması, talep işleme ve alt yazma işlemlerinin süresini ve maliyetini azaltmaya yardımcı olabilir. Doğal afet hasarlarını, araç hasarlarını analiz edip konut ve ticari özellikleri belirlemeye yardımcı olabilir.
Dikkat edilmesi gereken noktalar
Bu önemli noktalar, bir iş yükünün kalitesini artırmak için kullanılabilecek bir dizi yol gösteren ilke olan Azure İyi Tasarlanmış Çerçeve'nin yapı taşlarını uygular. Daha fazla bilgi için bkz . Microsoft Azure İyi Tasarlanmış Çerçeve.
Bu çözümü uygularken şu noktaları göz önünde bulundurun:
Ölçeklenebilirlik
Bu örnek senaryoda kullanılan bileşenlerin çoğu otomatik olarak ölçeklendirilecek yönetilen hizmetlerdir. Birkaç önemli özel durum: Azure İşlevleri en fazla 200 örnek sınırı vardır. Bu sınırın ötesine ölçeklendirmeniz gerekiyorsa birden çok bölgeyi veya uygulama planını göz önünde bulundurun.
Azure Cosmos DB'yi yalnızca NoSQL için Azure Cosmos DB'de otomatik ölçeklendirme için sağlayabilirsiniz. Diğer API'leri kullanmayı planlıyorsanız İstek birimleri bölümünde gereksinimlerinizi tahmin etme yönergelerine bakın. Azure Cosmos DB'deki ölçeklendirmeden tam olarak yararlanmak için bölüm anahtarlarının Azure Cosmos DB'de nasıl çalıştığını anlayın.
NoSQL veritabanları genellikle kullanılabilirlik, ölçeklenebilirlik ve bölümleme için tutarlılık (CAP teoreminin anlamıyla) ticaretini üstleniyor. Bu örnek senaryoda anahtar-değer veri modeli kullanılır ve çoğu işlem tanımına göre atomik olduğundan işlem tutarlılığı nadiren gereklidir. Azure Mimari Merkezi'nde Doğru veri depoyu seçme konusunda ek yönergeler sağlanır. Uygulamanız yüksek tutarlılık gerektiriyorsa Azure Cosmos DB'de tutarlılık düzeyinizi seçebilirsiniz.
Ölçeklenebilir çözümler tasarlama hakkında genel yönergeler için Azure Mimari Merkezi'ndeki performans verimliliği denetim listesine bakın.
Güvenlik
Güvenlik, kasıtlı saldırılara ve değerli verilerinizin ve sistemlerinizin kötüye kullanılmasına karşı güvence sağlar. Daha fazla bilgi için bkz . Güvenlik sütununa genel bakış.
Azure kaynakları için yönetilen kimlikler, hesabınızın içindeki diğer kaynaklara erişim sağlamak için kullanılır ve ardından Azure işlevlerinize atanır. İşlevlerinize (ve potansiyel olarak müşterilerinize) fazladan hiçbir şey sunulmadığından emin olmak için yalnızca bu kimliklerdeki gerekli kaynaklara erişime izin verin.
Güvenli çözümler tasarlama hakkında genel yönergeler için Bkz . Azure Güvenlik Belgeleri.
Dayanıklılık
Bu senaryodaki tüm bileşenler yönetilir, bu nedenle bölgesel düzeyde hepsi otomatik olarak dayanıklıdır.
Dayanıklı çözümler tasarlama hakkında genel yönergeler için bkz . Azure için dayanıklı uygulamalar tasarlama.
Maliyet iyileştirme
Maliyet iyileştirmesi, gereksiz giderleri azaltmanın ve operasyonel verimlilikleri iyileştirmenin yollarını aramaktır. Daha fazla bilgi için bkz . Maliyet iyileştirme sütununa genel bakış.
Bu senaryoyu çalıştırmanın maliyetini keşfetmek için tüm hizmetler maliyet hesaplayıcısında önceden yapılandırılmıştır. Fiyatlandırmanın belirli bir kullanım örneğinde nasıl değişeceğini görmek için uygun değişkenleri beklenen trafikle eşleşecek şekilde değiştirin.
Trafik miktarına göre üç örnek maliyet profili sağladık (tüm görüntülerin 100 KB boyutunda olduğunu varsayıyoruz):
- Küçük: Bu fiyatlandırma örneği, ayda 5000 görüntüyü işlemeyle < ilişkilidir.
- Orta: Bu fiyatlandırma örneği, ayda 500.000 görüntüyü işlemeyle ilişkilidir.
- Büyük: Bu fiyatlandırma örneği, ayda 50 milyon görüntüyü işlemeyle ilişkilidir.
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunanlar tarafından yazılmıştır.
Asıl yazarlar:
- David Stanford | Asıl Program Yöneticisi
- Ashish Chauhan | Kıdemli Çözüm Mimarı
Sonraki adımlar
Ürün belgeleri
- Görüntü İşleme nedir?
- Azure Bilişsel Arama yapay zeka zenginleştirmesi
- Azure İşlevleri’ne giriş
- Azure Event Grid nedir?
- Azure Blob Depolama'ya giriş
- Azure Cosmos DB'ye hoş geldiniz
Kılavuzlu öğrenme yolu için bkz:
- Azure'da sunucusuz web uygulaması oluşturma
- Özel Görüntü İşleme hizmetiyle görüntüleri sınıflandırma
- Özel Görüntü İşleme hizmetini kullanarak görüntülerdeki nesneleri tanımak için yapay zeka kullanma
- Nesli tükenmekte olan kuş türlerini Özel Görüntü İşleme ile sınıflandırma
- Microsoft Özel Görüntü İşleme Hizmeti ile görüntüleri sınıflandırma
- Özel Görüntü İşleme hizmetiyle görüntülerdeki nesneleri algılama
Bu örnek senaryoyu üretim ortamında dağıtmadan önce, Azure İşlevleri performansını ve güvenilirliğini iyileştirmek için önerilen uygulamaları gözden geçirin.
İlgili kaynaklar
Azure Bilişsel Arama'de görüntü ve doğal dil işleme ile yapay zeka zenginleştirmesi